Suunnanestimointi- ja keilanmuodostusmenetelmien vertailu

Rajoitetun taajuuskaistan tehokkaammalle käytölle asetetaan yhä tiukempia vaatimuksia. Nykyisten matkapuhelinjärjestelmien kapasiteettia on kasvatettu solujen sektoroinnin avulla, pienentämällä solukokoa ja käyttämällä tiheämpää taajuuksien uudelleenkäyttöä. Ensisijaisesti adaptiiviset antennit tarjoavat matkapuhelinkäyttäjien spatiaalisen erottelun. Ne tuottavat kapeita antennikeiloja halutun käyttäjän suuntaan. Tämä vaatii antennialgoritmien tutkimustarvetta, joiden avulla voidaan paikallistaa ja seurata matkapuhelinkäyttäjiä. Perusongelma näiden menetelmien kanssa on, että ne eivät välttämättä tarjoa riittävää toiminnallista tehokkuutta. Joissakin tapauksissa ne voivat täysin epäonnistua saavuttamaan mitään tehokkuutta todellisessa antenniympäristössä epätäydellisen antennimallin tai riittämättömän prosessorikapasiteetin takia. Tässä työssä tarkastellaan eri suunnanestimointi- ja keilanmuodostusmenetelmien ominaisuuksia. Suuntavektoriin pohjautuvat keilanmuodostusmenetelmät tarvitsevat etukäteistietoa käyttäjien sijainnista. Niinpä eri suunnanestimointimenetelmiä on vertailtu simulointituloksin. Menetelmät on jaettu kolmeen perusryhmään: parametrisiin menetelmiin, ei-parametrisiin Fourier-pohjaisiin menetelmiin ja resoluutiomenetelmiin. Simulointitulokset osoittavat, että resoluutiomenetelmillä on nimensä mukaisesti parempi erottelukyky verrattuna muihin menetelmiin. Niiden estimointitehokkuus ei ole riippuvainen lähteiden sijainnista. Ne saattavat kuitenkin epäonnistua estimoinnissa jos näytteiden määrä on vähäinen tai jos tulosignaalit korreloivat keskenään. Lisäksi perinteiset Fourier-pohjaiset menetelmät eivät ole laskennallisesti vaativia, mutta niillä on haittana alhainen erottelukyky. Keilanmuodostusmenetelmät jaettiin myös kolmeen perusryhmään: suuntavektoripohjaisiin menetelmiin, referenssisignaalipohjaisiin menetelmiin ja sokeisiin menetelmiin. Simulointitulokset osoittavat, että suuntavektoripohjaiset menetelmät ovat herkkiä virheisiin suuntavektorissa ja satunnaisiin virheisiin suuntavektorin elementeissä. Referenssisignaalipohjaiset menetelmät tarvitsevat useita kymmeniä iterointiaskeleita ennen kuin ne pystyvät saavuttamaan optimin. Lisäksi suppeneminen on riippuvainen askelkoon valinnasta ja lähteiden sijainnista. Sokeat menetelmät eivät tarvitse referenssisignaalia, mutta ne eivät välttämättä konvergoidu